继续请教问题:关于 Pytorch 的 Autograd

雷达

9 Z  M! k/ R1 U4 |: q: D( `为预防老年痴呆，时不时学点新东东玩一玩。
$ _# h' E2 g7 j7 ]0 B0 f: r- n6 LPytorch 下面的代码做最简单的一元线性回归：
. ^! h4 {2 j+ w2 y. f% [* o- o----------------------------------------------
0 ?2 c5 e! x: Q% l. simport torch
import numpy as np
$ d" i1 f* _2 z+ e8 Q+ _7 r+ Mimport matplotlib.pyplot as plt
import random
6 H8 ^' y' W% D( q3 n( e
+ M; L: P- z% r+ z, L% b2 hx = torch.tensor(np.arange(1,100,1))
) \! p. H1 Q0 @: }9 ^3 ly = (x*27+15+random.randint(-2,3)).reshape(-1)  # y=wx+b, 真实的w0 =27, b0=15
5 R2 c1 S7 L1 K7 Q& K
w = torch.tensor(0.,requires_grad=True)  #设置随机初始 w,b
b = torch.tensor(0.,requires_grad=True)
* ^! h0 x# u* W) x9 W7 N
! p+ n; e9 Y% \' g5 k  j' z# V8 Y5 F2 Xepochs = 100

losses = []
for i in range(epochs):
* |+ i; H+ {: ~4 H" P5 r  y_pred = (x*w+b)    # 预测
# I$ O0 b$ m' q3 s  y_pred.reshape(-1)

1 k5 d$ n- S4 A" M  loss = torch.square(y_pred - y).mean()   #计算 loss
2 F. t# b% Q1 ~1 Y' K2 O, J7 |  losses.append(loss)
8 v, s# _" R# [" d1 j& N: Y  
( e% b# b& V: c+ I  loss.backward() # autograd
+ j* T6 D, k/ m1 B; x- N9 w% T  with torch.no_grad():
    w  -= w.grad*0.0001   # 回归 w
    b  -= b.grad*0.0001    # 回归 b
  w.grad.zero_()  
* O7 I) ?7 W( p% h: |  b.grad.zero_()
* Z+ p# K2 `% B/ w; u, Y3 j, b
print(w.item(),b.item()) #结果

4 |  v+ W+ l9 g2 Q) sOutput： 27.26387596130371  0.4974517822265625
----------------------------------------------
最后的结果，w可以回到 w0 = 27 附近，b却回不去 b0=15。两处红字，损失函数是矢量计算后的均值，感觉 b 的回归表达有问题。
. ?$ c1 S! Z4 W. O+ N7 T高手们帮看看是神马原因？
$ p# h" E2 E7 C. y. \

老福

$ G: Z- U0 F( f1 a( ]
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
$ O" C+ B; G  T# x不好意思，再看一遍，好像你在自算回归而不是用现成的工具直接出结果，上面的评论只有一点用，就是确认是不是算法有问题。
( H0 M# D/ @4 B9 B: V/ X' D  |-------
算法诊断部分，建议把循环次数改为1000, 再看看loss是不是收敛。有点怀疑你循环次数不够，因为你起点是0, 步长很小。只是直观建议。

雷达

老福 发表于 2023-2-14 19:23
没有用过pytorch，但你把随机噪音部分改成均值为0的正态分布再试试看是不是符合预期？
-------
, ]+ N# [- y6 p% I, A$ F9 B* ?; \- m不好意思， ...

: c  O' T. N& D% V' ^' r谢谢，算法应该没问题，就是最简单的线性回归。
我特意没有用现成的工具，就是想从最基本的地方深入理解一下。

老福

$ V& f+ T* a% \. d

雷达 发表于 2023-2-14 21:52
0 c. p0 W0 `# E5 R+ ^4 x谢谢，算法应该没问题，就是最简单的线性回归。
2 x5 H2 k  S9 h4 g/ m我特意没有用现成的工具，就是想从最基本的地方深入理解 ...

刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
& c) p% I" J, H$ R
. T0 k- N: T  @( T4 L/ C6 Q! w或者把b但的起点改为1试试。

雷达

老福 发表于 2023-2-14 22:00
1 s4 {. r( U9 @7 i( F刚才更新了一下，建议增加循环次数或调一下步长，查一下loss曲线。
( P; B, E& O7 }/ @0 r
或者把b但的起点改为1试试。 ...

. @2 @0 M2 Q: p6 J+ I9 r9 A你是对的。
去掉了随机部分
+ z# O. O; n+ \0 I7 @. i4 _#y = (x*27+15+random.randint(-2,3)).reshape(-1)
+ b- d" @4 J4 L1 ry = (x*27+15).reshape(-1)

循环次数加成10倍，就看到 b 收敛了
& Z! u/ S) K4 z" z$ i. e0 u, Q' [w , b
. d) M9 I. o  ]# l27.002620697021484 14.826167106628418

5 s5 c' C' {) Z: R0 x, {和 b 的起始位置无关，但 labeled data 用 y = (x*27+15+random.randint(-2,3)).reshape(-1) ，收敛就很慢。